Kiedy po raz pierwszy zaczęliśmy rozmawiać z Wielką Czwórką o AI, te rozmowy zaskakująco szybko nabrały tempa. Nie było długiego wprowadzenia ani potrzeby tłumaczenia, dlaczego AI ma znaczenie. Niemal od razu partnerzy i starsi konsultanci zaczęli mówić o tym, na co naprawdę poświęcają swój czas. Nie na podejmowanie decyzji czy wyciąganie wniosków, lecz na przygotowania. Pobieranie danych z różnych systemów. Uzgadnianie liczb. Upewnianie się, że analizy są zgodne z wewnętrznymi standardami, zanim ktokolwiek w ogóle zacznie zastanawiać się, co oznaczają wyniki.
Uderzyło nas to, że żadna z tych czynności nie była mało wartościowa. Była konieczna. Ale była też wyczerpująca. Ludzie z ogromnym doświadczeniem spędzali dużą część dnia, próbując jedynie dojść do momentu, w którym mogło zacząć się prawdziwe myślenie.
W miarę jak rozmowy trwały, zmapowano ponad dziesiątki procesów, w których AI mogło odegrać rolę. Raportowanie, compliance, kontrole finansowe, analizy podatkowe, przeglądy wewnętrzne. Na pierwszy rzut oka wyglądało to jak klasyczny problem automatyzacji. Tak nie było.
Większość z tych procesów miała już narzędzia, szablony i częściową automatyzację. To, co wszystko spowalniało, znajdowało się pomiędzy poszczególnymi krokami. Przełączanie kontekstu. Uzgadnianie wyników. Konsekwentne stosowanie osądu wobec rozproszonych informacji. Prawdziwym kosztem nie był sam czas, lecz obciążenie poznawcze.
Wtedy zmieniła się perspektywa.
Zamiast pytać, jak AI mogłoby wykonać pracę od początku do końca, zaczęliśmy pytać, jak może wspierać ludzi, którzy tę pracę wykonują. Co, jeśli AI mogłoby przejąć te elementy, które odbierają energię, nie odbierając przy tym kontroli? Co, jeśli mogłoby przygotowywać uporządkowane wersje robocze, wskazywać niespójności i ujawniać tok rozumowania, tak aby eksperci mogli skupić się na ocenie zamiast na przygotowaniu?
Gdy to podejście zaczęło działać na żywo, jego wpływ stał się namacalny.
W zespołach czas realizacji powtarzalnych prac analitycznych skrócił się o 80 do 90 procent. Liczba błędów ręcznych, zwłaszcza w procesach opartych na uzgadnianiu, wyraźnie spadła. Równie ważne było to, że wyniki stały się bardziej spójne między zespołami, które wcześniej podchodziły do tej samej pracy w nieco odmienny sposób. Średnio konsultanci odzyskiwali około 40 do 50 godzin miesięcznie, które mogli teraz przeznaczyć na myślenie o wyższej wartości.
Ale najciekawsza zmiana nie dotyczyła liczb.
Dotyczyła tego, jak ludzie mówili o swojej pracy. Przeglądy stały się spokojniejsze. Dyskusje bardziej skupione. Starsi recenzenci poświęcali mniej czasu na sprawdzanie, czy wszystko jest poprawne, a więcej na omawianie tego, co wyniki faktycznie oznaczają.
Z czasem system przestał być odczuwany jak narzędzie, z którego ludzie muszą korzystać. Zaczął przypominać wspólny sposób pracy, który po cichu przyswajał to, jak podejmowane są decyzje, i odzwierciedlał to w kolejnych analizach.
To doświadczenie umocniło też coś, w co od dawna wierzymy. Postęp w kierunku bardziej ogólnej inteligencji nie będzie pochodził z systemów, które próbują zastąpić ekspertów w złożonych dziedzinach. Będzie pochodził z systemów, które zmniejszają tarcie wokół eksperckiego myślenia i je wzmacniają.
W tych wdrożeniach AI tworzyło wartość nie dzięki autonomii, lecz dzięki współpracy. Nie podejmowało decyzji za ludzi. Pomagało im podejmować lepsze decyzje, szybciej.
Jeśli istnieje wczesny sygnał wskazujący, gdzie systemy podobne do AGI będą miały znaczenie najpierw, to właśnie tutaj. Nie w pełnej automatyzacji, lecz we wspieraniu ludzkiego osądu na dużą skalę.
To przesunięcie — od automatyzacji do zwiększania możliwości — okazało się kluczowe.
